#cuda-kernels Repositórios
Descubra 34 repositórios ativos de código aberto no GitHub marcados com #cuda-kernels, acumulando um total de 129,157 estrelas (uma média de 3,798 por projeto). O líder deste tópico é Dao-AILab/flash-attention, com 25,330 estrelas.
34 repositórios no total
Um livro de código aberto com notas de aprendizado sobre CUDA moderno para iniciantes — BF16/FP8/FP4, HGEMM, CuTe, Flash-Attention etc.
Blocos de construção de Transformers otimizados e personalizáveis, que suportam uma construção composável.
DeepEP: uma biblioteca de comunicação eficiente com paralelismo de especialistas
Ecossistema de bibliotecas e ferramentas para escrever e executar código GPU rápido totalmente em Rust.
[Prêmio de Melhor Artigo MLSys 2024] AWQ: Quantização de Pesos Ciente de Ativação para Compressão e Aceleração de LLM
Nvdiffrast - Primitivas Modulares para Renderização Diferenciável de Alto Desempenho
Um projeto que demonstra soluções de IA relacionadas a Lidar, incluindo três redes de DL Lidar/câmera aceleradas por GPU (PointPillars, CenterPoint, BEVFusion) e as bibliotecas relacionadas (cuPCL, 3D SparseConvolution, YUV2RGB, cuOSD,).
[ECCV 2024] Gaussianas de Rua: Modelagem de Cenas Urbanas Dinâmicas com Splatting Gaussiano
Repositório oficial do Pytorch para Compressão Extrema de Grandes Modelos de Linguagem via Quantização Aditiva https://arxiv.org/pdf/2401.06118.pdf e PV-Tuning: Além da Estimação Straight-Through para Compressão Extrema de LLMs https://arxiv.org/abs/2405.14852
Biblioteca de machine learning com API TypeScript e backend Rust. Compatibilidade com CUDA e WebGPU. Construída para entender como frameworks e modelos de ML funcionam internamente.
O cuDNN Frontend é o ponto de entrada moderno e de código aberto da NVIDIA para a biblioteca cuDNN e uma coleção crescente de kernels de código aberto de alto desempenho.
Uma Atenção Distribuída para a Escalabilidade Linear em Contextos Ultralongos e Treinamento de Dados Heterogêneos
Um framework web em Rust baseado no Axum, com kernels de aplicação verificáveis com Lean 4 que são executados em servidores, dispositivos embarcados bare-metal e GPUs, além de testes de segurança integrados.
[MLSys'25] QServe: Quantização W4A8KV4 e Co-design de Sistema para Servir LLM de Forma Eficiente; [MLSys'25] LServe: Servir LLM de Sequência Longa de Forma Eficiente com Atenção Esparsa Unificada
FlashRT é um motor de inferência em tempo real de alto desempenho para cargas de trabalho de IA de pequenos lotes e sensíveis à latência. A integração principal é o controle VLA de produção para Pi0, Pi0.5, GROOT N1.6 e Pi0-FAST. Também oferece suporte a LLMs, por exemplo, qwen3.6-27B.
Motor de inferência LLM puro Rust + CUDA — sem PyTorch, compatível com OpenAI, atende de Qwen3 a Kimi-K2
Implementação de código aberto de **MV-DUSt3R+ Reconstrução de Cena de Estágio Único a partir de Vistas Esparsas em 2 Segundos** do Meta Reality Labs. Página do projeto https://mv-dust3rp.github.io/
CUDA-L2: Superando o Desempenho do cuBLAS para Multiplicação de Matrizes por meio de Aprendizado por Reforço
[ICCV 2025] Uma abordagem simples e sem necessidade de treinamento que adapta o DUSt3R para cenas dinâmicas.
Perguntas Frequentes
Qual é o repositório de #cuda-kernels mais popular no GitHub?
O projeto de código aberto de #cuda-kernels mais bem classificado no GitHub é Dao-AILab/flash-attention, com 25,330 estrelas. Atenção exata rápida e com eficiência de memória
Quais linguagens de programação são mais usadas nos repositórios de #cuda-kernels?
Entre os projetos de #cuda-kernels mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, C++, Rust, Cuda.
Como é calculada a classificação dos repositórios de #cuda-kernels?
Acompanhamos 34 repositórios ativos de código aberto marcados com #cuda-kernels (com mais de 500 estrelas), totalizando 129,157 estrelas e uma média de 3,798 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.